生物信息学课程Bioinformatics第5章序列比对与分析
生物信息学 课程 Bioinformatics 第5章 序列比对与分析
生物信息学课程本章内容Bioinformatics章节结构·第一节：序列特征解析·第二节：序列比对和分析·第三节：分子演化树构建·第四节：讨论与展望·本章作者（以拼音序）：陈士超、高歌、胡德华、田卫东、王明钰·本章统稿/协调：高歌2
2 生物信息学 课程 Bioinformatics 本章内容 章节结构 • 第一节：序列特征解析 • 第二节：序列比对和分析 • 第三节：分子演化树构建 • 第四节：讨论与展望 • 本章作者(以拼音序)： 陈士超、高歌、胡德华、田 卫东、王明钰 • 本章统稿/协调：高歌
生物信息学课程本章内容Bioinformatics本章定位：围绕主流生物学数据（序列），·承上：体现生物信息学“面向数据、方法驱动”的特点·启下：为后续章引入关键概念编写原则：突出基本观念与方法，桥接经典问题与最新进展·丛“小（规模）入手：主要针对生物信息学经典方法，以一个/几个蛋白/核酸序列为主·以“小”见“大”：承上启下，为后续组学章节引入3
生物信息学 课程 Bioinformatics 本章内容 本章定位：围绕主流生物学数据(序列) ， • 承上：体现生物信息学“面向数据、方法驱动”的特点 • 启下：为后续章引入关键概念 3 编写原则：突出基本观念与方法，桥接经典问题与最新进展 • 从“小(规模)”入手：主要针对生物信息学经典方法，以一个/几个蛋白/核酸序 列为主 • 以“小”见“大”：承上启下，为后续组学章节引入
生物信息学课程本章导语Bioinformatics包括DNA、RNA和氨基酸在内的生物序列是生物信息学的主要研究对象之一。序列分析的基本思路可以划分为两天类：一类是着眼于序列自身，通过多种方法提取并解析其中的结构与功能信息，从而揭示DNA、RNA或蛋白质的生物学特性。例如，分析基因组序列的组成可以帮助我们理解基因的结构，预测潜在的编码区域，并探索基因调控机制；同样，通过分析蛋白质序列，可以预测蛋白质的理化性质及其结构特征，并进一步推测其功能和与其他分子的相互作用。另一类则是从序列之间的关系出发，通过定量刻画不同的生物分子序列之间的相似性和差异性，来推测它们的功能关联与演化关系。例如，通过寻找与目标序列相似的已知序列，可用于识别未知目标序列的功能和特性；再如通过比较不同物种或不同个体间的序列差异，可以构建演化树并进而解析其间的演化联系。通过将这些不同的分析方法结合，生物信息学家能够在大量的序列数据中发现潜在的生物学模式与规律，并进而为后续的基因功能研究、药物研发和疾病诊断等领域提供关键基础。4
4 生物信息学 课程 Bioinformatics 本章导语 包括DNA、RNA和氨基酸在内的生物序列是生物信息学的主要研究对象之一。序列分析的基本思路可以 划 分为两大类： 一类是着眼于序列自身，通过多种方法提取并解析其中的结构与功能信息，从而揭示DNA、RNA或蛋白质 的生物学特性。例如，分析基因组序列的组成可以帮助我们理解基因的结构，预测潜在的编码区域，并探索基 因调控机制；同样，通过分析蛋白质序列，可以预测蛋白质的理化性质及其结构特征，并进一步推测其功能和 与其他分子的相互作用。 另一类则是从序列之间的关系出发，通过定量刻画不同的生物分子序列之间的相似性和差异性，来推测 它 们的功能关联与演化关系。例如，通过寻找与目标序列相似的已知序列，可用于识别未知目标序列的功能 和特 性；再如通过比较不同物种或不同个体间的序列差异，可以构建演化树并进而解析其间的演化联系。 通过将这些不同的分析方法结合，生物信息学家能够在大量的序列数据中发现潜在的生物学模式与规律 ， 并进而为后续的基因功能研究、药物研发和疾病诊断等领域提供关键基础
生物信息学课程101计划Bioinformatics第1节序列特征解析
生物信息学 课程 Bioinformatics 第1节 序列特征解析
生物信息学课程生物分子的表示BioinformaticsMer Asp Gly lle LyseValVal AspLeuew五工高思究儿中N-terminusLysLeu AlaC-terminusPAlaLeuGinSer LeuPhe5'end3'enderraeoR自直β-Sheet (3 strands)a-helixHelixStemloopPseudoknotea-forneB-fornPseudoknotStem loopDZ-form0RNAomemonomerenMoneDNAHistoneRNAproteinmonomer27(magetoms/DNA_RNAstUCure_28MR23.crg)htcWioaModifed fromsiong/Prgtareoina/medivraProrein.srctreupng)
7 生物信息学 课程 Bioinformatics (Image from: https://upload.wikimedia.org/wikipedia/commons/d/da/DNA_RNA_structure_%28full%29.png) (Modified from: https://commons.wikimedia.org/wiki/Template:Other_versions/Protein_structure_(full)#/media/File:Protein_structure_(full).png) 生物分子的表示
生物信息学课程本节导语BioinformaticsDNA是遗传信息的载体，DNA的碱基组成和排列顺序决定生物的遗传性状。通过对DNA进行基本序列分析不仅可以揭示与特定功能相关的特征信息，也是基因预测的基础。以下以部分典型分析工具与数据库进行介绍更多内容可见后续章节（如第九章中的蛋白质分析）
生物信息学 课程 Bioinformatics 本节导语 DNA是遗传信息的载体，DNA的碱基组成和排列顺序决定生物的遗传性状。通过对DNA进行基本序列分析 不仅可以揭示与特定功能相关的特征信息，也是基因预测的基础。以下以部分典型分析工具与数据库进行介绍 ， 更多内容可见后续章节(如第九章中的蛋白质分析)。 7
生物信息学课程序列比对与分析/序列特征解析Bioinformatics程序或软件名描述整合序列分析工具BioEdit用于分析、编辑和处理DNA序列数据的生物信息学软件EMBOSS综合在线分析软件包DNAMANLynnonBiosoft公司开发的高度集成化的DNA序列编辑软件DNASTAR基于Windows和Macintosh平台的序列分析软件序列变换REVSEQEMBOSS软件包中的序列变换程序之ReverseSequenceManipulationSuite(SMS)中的序列变换程序Complement限制性内切酶位点分析REBASE限制性内切酶数据库限制性内酶切位点分析工具，整合REBASENEBcutterWebCutter限制性内酶切位点分析工具，支持线性和环状DNA序列分析以及寻找沉默诱变位点限制性内切酶切位点分析工具，支持线性和环状DNA序RestrictionMapper列分析重复序列分析RepBase真核生物转座子和重复序列数据库STRBase短事联重复序列(STR)数据库RepeatMasker散布重复和低复杂性重复序列分析工具，使用RepBase和Dfam重复序列数据库CENSOR使用RepBase查找重复序列TandemRepeats串联重复序列分析工具Finder8
生物信息学 课程 Bioinformatics 序列比对与分析/序列特征解析 8
生物信息学课程序列比对与分析/序列特征解析Bioinformatics可以采取多种方式来整合这些信号。早期的工作一般是在经典统计推断框架下，通过显式引入特定的统计模型来对DNA序列进行建模与推断。如通过引入隐马尔科夫模型(HiddenMarkovModel，HMM)，可以将DNA序列视为由一组包含多个隐状态的马尔可夫过程“生成”的观测序列。具体来说，根据生物学知识，我们猜测不同位置有不同的统计学特性，比如外显子平均碱基组成较均匀（每个碱基25%)，内含子富含A/T故可假设A/T各40%，C/G各10%），并且5SS区域核首酸几乎总是G（故可假设95%G和5%A）。接下来我们根据上述假设构造HMM：A=0.25A=0.05A=0.4C=0.25C=0.1C=0G=0.25G=0.95G=0.1T=0.25T=0T=0.4StartEnd承上启下E5结束开始O10.110010.90.9序列:CTTCATGTGAAAGCAGACGTAAGTCA状态路径:EEEEEEEEEEEEEEEEEEIIIT19
生物信息学 课程 Bioinformatics 可以采取多种方式来整合这些信号。早期的工作一般是在经典统计推 断 框架下，通过显式引入特定的统计模型来对DNA序列进行建模与推断。 如通 过引入隐马尔科夫模型(Hidden Markov Model，HMM)，可以将DNA序 列视为 由一组包含多个隐状态的马尔可夫过程“生成”的观测序列。具体 来说，根 据生物学知识，我们猜测不同位置有不同的统计学特性，比如外 显子平均碱 基组成较均匀(每个碱基25%)，内含子富含A / T(故可假设A / T 各40%，C / G 各10%)，并且5′SS区域核苷酸几乎总是G(故可假设95%G和 5%A)。接下来我 们根据上述假设构造HMM： 承上启下 9 序列比对与分析/序列特征解析
生物信息学课程序列比对与分析/序列特征解析Bioinformatics针对图中给出的碱基序列和状态转移路径元，可以得到在参数为θ的HMM条件下，总体概率logP(S，元HMM，)=-41.22。因此，通过使用Viterbi算法即可得到最可能的状态序列，并进而预测这段序列中5剪接序列的位置(5'SS)。与之类似，美国麻省理工大学的Burge和Karlin于1997年开发的GenScan，是基于广义隐马尔可夫模型的人类及脊椎动物基因预测软件。GenScan通过识别序列中的统计特征，如密码子使用频率、外显子和内含子边界信号的共识序列等，对基因进行预测。它还考虑了基因的起始和终止区域，以及潜在的启动子信号，以提供全面的基因结构预测。025A=0.05A=0.4C=0.25C=0C=0.1G=0.95G=0.25G=0.1T=0.25T=0T=0.4StartEnd5E0○结束开始○1010010.90.9序列:CTTCATGTGAAAGCAGACGTAAGTCA10状态路径：EEEEEEEEEEEEEEEEEE5IITTITI
生物信息学 课程 Bioinformatics 针对图中给出的碱基序列和状态转移路径π，可以得到在参数为 θ 的 HMM条件下，总体概率log P(S，π|HMM，θ)= –41.22。因此，通过使用 Viterbi算法即可得到最可能的状态序列，并进而预测这段序列中5’剪接序列的 位置(5'SS)。 与之类似，美国麻省理工大学的Burge和Karlin于1997年开发的GenScan， 是基于广义隐马尔可夫模型的人类及脊椎动物基因预测软件。GenScan通过识 别序列中的统计特征，如密码子使用频率、外显子和内含子边界信号的共识 序列等，对基因进行预测。它还考虑了基因的起始和终止区域，以及潜在 的 启动子信号，以提供全面的基因结构预测。 序列比对与分析/序列特征解析 10